1.理解训练和推理
学习AI 模型是需要理解"训练"和推理的，它们不仅是人工智能（尤其是机器学习和深度学习）中最基础、最核心的两个概念，更是贯穿整个AI系统生命周期的骨架性知识。
1.1生活类比理解
你把AI想象成一个小孩子，你在教它识别水果：
- 训练阶段：你拿出很多苹果和香蕉的照片，每张都告诉他："这是苹果""这是香蕉"。孩子反复看、反复记，慢慢总结出规律------红红圆圆的是苹果，黄黄弯弯的是香蕉。
- 推理阶段 ：有一天你给他一张新照片（他从没见过），问他："这是什么？"他根据之前学到的经验，自信地说："是苹果！"------这就是他在"推理"。
✅ 核心区别：
训练 = 学习知识 （需要老师、大量例子）
推理 = 运用知识（独立判断新问题）
1.2机器视角理解
AI 模型其实是一个数学函数，比如：
python
output = f(input; θ)其中 θ（theta）代表模型内部的参数（比如神经网络中的权重）。
- 训练的目标 ：找到一组最好的
θ，让这个函数在已知数据上预测得尽可能准。- 方法：不断试错 → 算误差 → 调整
θ→ 再试......直到误差最小。
- 方法：不断试错 → 算误差 → 调整
- 推理的过程 ：把训练好的
θ固定下来，输入新数据，直接算出结果。- 不再调整
θ，只做一次计算。
- 不再调整
1.3技术流程理解
- 🔧 训练（Training）详细流程：
- 准备数据：收集并标注大量样本（如 100 万张带标签的图片）
- 定义模型结构：选择神经网络类型（CNN、Transformer 等）。
- 前向传播：输入数据 → 模型计算 → 得到预测值。
- 计算损失：用损失函数（如交叉熵）衡量预测与真实标签的差距。
- 反向传播：利用链式法则计算每个参数对损失的"责任"（梯度）。
- 参数更新：用优化器（如 Adam）按梯度方向微调参数 θ。
- 重复迭代：遍历整个数据集多次（称为"epoch"），直到模型收敛。
💡 这个过程通常在 GPU 集群上跑几天甚至几周。
- 🚀 推理（Inference）详细流程：
- 加载训练好的模型：包含固定的参数 θ。
- 输入新数据：比如用户上传的一张照片。
- 前向计算：数据流经模型各层，输出预测结果（如"猫，置信度 92%"）。
⏱️ 推理通常只需几十毫秒，可在手机、服务器甚至智能摄像头中实时运行。
一句话：训练是"创造智能"的过程，推理是"释放智能"的时刻。
没有高质量的训练，推理就是无源之水；没有高效的推理，训练成果就无法落地应用。二者相辅相成，共同构成 AI 系统的核心生命周期。
2.使用代码进行推理(或者预测)
这里使用VSCode IDE 工具，因为前面环境部署的时候，YOLOv8 的源码在 Ubuntu机器上。所以给VSCode 安装 Remote插件，使用插件打开 YOLOv8 源码代码项目：
在根目录下创建一个文件： mypredict.py
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # 我想用yolov8n.pt模型进行预测
model.predict(
# 我要预测 ultralytics/assets 文件夹下所有的图片，就是你要预测的目标
source="ultralytics/assets",
# 下面两个参数是对预测提一些额外的要求
save=True, # 保存预测结果
show=True, # 是否立刻显示结果
)项目根目录下并没有这个文件 yolov8n.pt , 脚本运行后会自动下载这个文件到根目录
打开终端，切换虚拟环境，然后执行这个脚本：
shell
conda activate yolov8 # 这个环境上个章节已经建好了
cd ~/yolo/ultralytics-8.3.229输出：
- 因为本地没有模型文件，所以它到 geithub上去下载了
ultralytics/assets目录下有两个图片文件，就是我们要预测的文件
从运行的结果看，图1预测(或者叫识别，或者叫推理)，图片大小事 648*480有4个人，1辆车，一个标有 stop 的标志，耗时 17.1 毫秒
图二：284*640，两个人，1个领带，耗时 17.4毫秒
可以尝试自己找一些图片或者视频或者摄像头进行预测。只需要将 source参数更改一下，可以是一个文件夹，可以是一个单个文件。
如果是摄像头，将值改为 0 即可。但是使用摄像头的话，不会释放内存，到了一个极限，程序会终止释放内存。最后我会用一个脚本来解决这个问题。
3.预测目标
官方文档中给出了所有可预测的目标：https://docs.ultralytics.com/modes/predict/#inference-sources
4.模型
上面代码中，使用的的是 yolov8n.pt这个模型，对模型的初步认识：
- 模型的任务类型。
yolo支持5中类型： 目标检测（yolo11n.pt），旋转目标检测（yolo11n.pt），姿态估计(yolo11n-pose.pt)，实例分割(yolo11n-seg.pt)，图像分类(yolo11n-cls.pt)
可以使用代码来检测你加载的模型的任务类型：
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
print(model.task) # 输出 detect- 模型可预测的类型:
yolo11n模型可以预测80中类型的目标.
你可以打开摄像头，然后将物品放入摄像头实现内，它就会预测出来是啥。也可以使用代码来输出可以预测的类型
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
print(model.names) # 输出 {0： "person", 1:"bicycle", 2:"car" ...}- 模型的大小
yolo11n.pt 中的n是
nano很小的意思yolo11s.pt 中的n是
small小yolo11m.pt 中的n是
medium中yolo11l.pt 中的n是
large大yolo11x.pt 中的n是
extra-large超大
到这里 https://github.com/ultralytics/assets/releases 可以下载各种尺寸的模型，这里是官方提供的模型仓库：
将他们下载到源码目录，加载后可以使用代码来输出它的参数：
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
# 参数会很多
print(sum(p.numel() for p in model.parameters()))参数越多，推理越准确，同时耗费的推理和训练的时间就越长。
下图中看到 v8 和 v11 支持所有5中类型
5.预测选项
前面代码进行预测的时候：
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # 我想用yolov8n.pt模型进行预测
model.predict(
# 我要预测 ultralytics/assets 文件夹下所有的图片，就是你要预测的目标
source="ultralytics/assets",
# 下面两个参数是对预测提一些额外的要求
save=True, # 保存预测结果
show=True, # 是否立刻显示结果
)predict中还有很多选项，官方文档可以查阅：
https://docs.ultralytics.com/modes/predict/#inference-arguments
6.解决摄像头内存问题
python
from ultralytics import YOLO
model = YOLO('yolov8n.pt') #
model.predict(
# 我要预测 ultralytics/assets 文件夹下所有的图片，就是你要预测的目标
source=0,
stream=True,
)
for result in results:
plotted = result.plot()
cv2.imshow('yolo inference', plotted)
if cv2.waitKey(1) == ord('q'):
break